CHEHAB RL：完全準同型暗号計算の最適化の学習

TL;DR（結論）

完全準同型暗号（FHE）は暗号化されたまま計算が可能ですが、計算コストが極めて高く、効率的なコード作成には専門知識と複雑な最適化が必要という課題があります。 本研究が提案する「CHEHAB RL」は、深層強化学習（RL）を活用して、スカラーコードの自動ベクトル化や命令レイテンシおよびノイズ増加を抑制する書き換えルールの適用を自動化するフレームワークです。 最新のコンパイラであるCoyoteと比較して、実行速度で5.3倍、ノイズ蓄積量で2.54倍の改善を達成し、コンパイル時間自体も27.9倍高速化することに成功しました。

なぜこの問題か

完全準同型暗号（FHE）は、データを復号することなく暗号化された状態のまま直接演算を行うことができる画期的な技術です。これにより、機密性の高い情報を第三者に預けて処理を依頼する際でも、プライバシーを完全に保護することが可能になります。しかし、FHEの最大の実用的な障壁は、その膨大な計算コストにあります。例えば、暗号文同士の乗算は、平文での乗算と比較して100万倍もの時間を要することが報告されています。この劇的な速度低下は、単一の暗号文乗算が複数の高次多項式乗算を伴うという、FHE特有の複雑な数学的構造に起因しています。 実用的なアプリケーションでFHEを採用するためには、実行時間を短縮するための高度な最適化が不可欠です。しかし、効率的なFHEコードを記述することは非常に困難な作業です。開発者は、使用する暗号スキームに関する深い専門知識を持ち、低レベルなコードを細かく調整する必要があります。このプロセスは時間がかかるだけでなく、エラーが発生しやすいため、FHEの広範な普及を妨げる要因となっています。 この問題を解決するために、これまでにもFHE専用のコンパイラが開発されてきました。…

核心：何を提案したのか

本論文では、FHEコードの最適化を「逐次的な意思決定問題」として定式化し、深層強化学習（RL）を用いて最適化ポリシーを学習する新しいフレームワーク「CHEHAB RL」を提案しています。従来のコンパイラが事前に定義されたヒューリスティックや膨大な組み合わせ探索に依存していたのに対し、本手法はRLエージェントを訓練することで、最適な書き換えルールの適用シーケンスを自動的に学習させます。これにより、スカラー形式のFHEコードを自動的にベクトル化しつつ、命令のレイテンシとノイズの増加を最小限に抑えることが可能になります。 CHEHAB RLの核心は、単一のグローバルなコスト関数を最適化するようにRLポリシーを訓練する点にあります。これにより、明示的な組み合わせの列挙や重いILPソルバーを使用することなく、グローバルな視点に基づいた高品質な変換を決定できます。…

続きはログイン/プランで閲覧できます。